9 Celtis australis
9.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.mydjtm
Format: SIMPLE_CSV
Download key: 0230214-230224095556074
Created: 2023-05-10T14:12:59.222+00:00
Modified: 2023-05-10T14:14:29.761+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0230214-230224095556074.zip
Total records: 18056Conversion en objets géographiques (format Simple feature de sf) et
exploration rapide des données (classe du jeu de données et premières lignes du
tableau) :
Simple feature collection with 18056 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -122.294582 ymin: -38.720074 xmax: 175.477847 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 18,056 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 9e8 ebd49d9b-… "" Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… ""
2 9e8 ebd49d9b-… "" Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… ""
3 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… ""
4 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… ""
5 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… ""
6 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… ""
7 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… ""
8 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… ""
9 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… ""
10 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… ""
# ℹ 18,046 more rows
# ℹ 40 more variables: taxonRank <chr>, scientificName <chr>, verbatimScientificName <chr>,
# verbatimScientificNameAuthorship <chr>, countryCode <chr>, locality <chr>, stateProvince <chr>,
# occurrenceStatus <chr>, individualCount <int>, publishingOrgKey <chr>, decimalLatitude <dbl>,
# decimalLongitude <dbl>, coordinateUncertaintyInMeters <dbl>, coordinatePrecision <dbl>,
# elevation <dbl>, elevationAccuracy <dbl>, depth <dbl>, depthAccuracy <dbl>, eventDate <dttm>,
# day <int>, month <int>, year <int>, taxonKey <int>, speciesKey <int>, basisOfRecord <chr>, …Il y a 18 056 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 9.1: Occurrences de Celtis australis dans le monde.
9.1.1 Données par région
On évalue la proportion d’occurrences dans chaque région, en utilisant les 3 masques créés précédemment. Si on a au moins 50 % des occurrences dans une région, on peut continuer en travaillant uniquement sur ces données. Sinon, on vérifie qu’au moins 67 % des données tombent dans l’ensemble des régions, et on prend la région la plus représentée. Au final, s’il s’agit d’une espèce endémique d’Europe, on n’a pas besoin de manipulation supplémentaire.
[1] 0.9811696943[1] 0.002769162605[1] 0.0008307487816
Figure 9.2: Occurrence de Celtis australis dans la région d’endémisme.
9.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
14156 3438 122 [1] 80.5938135
Figure 9.3: Occurrence de Celtis australis dans la région d’endémisme, selon la licence : CC BY-NC en bleu ; CC0 et CC BY en orange.
Idéalement, on aimerait avoir au moins 50 % de données vraiment libres
d’utilisation (c’est-à-dire sans la clause -NC). On continue en supprimant les
données en CC BY-NC.
[1] 142789.1.3 Sous-échantillonnage
Si le jeu de données contient 25 000 occurrences ou plus, on procède au sous-échantillonnage aléatoire pour en conserver un maximum de 25 000.
Simple feature collection with 14278 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -9.425129 ymin: 30.741913 xmax: 46.58613 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 14,278 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… ""
2 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… ""
3 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… ""
4 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… ""
5 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… ""
6 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… ""
7 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… ""
8 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… ""
9 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… ""
10 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… ""
# ℹ 14,268 more rows
# ℹ 40 more variables: taxonRank <chr>, scientificName <chr>, verbatimScientificName <chr>,
# verbatimScientificNameAuthorship <chr>, countryCode <chr>, locality <chr>, stateProvince <chr>,
# occurrenceStatus <chr>, individualCount <int>, publishingOrgKey <chr>, decimalLatitude <dbl>,
# decimalLongitude <dbl>, coordinateUncertaintyInMeters <dbl>, coordinatePrecision <dbl>,
# elevation <dbl>, elevationAccuracy <dbl>, depth <dbl>, depthAccuracy <dbl>, eventDate <dttm>,
# day <int>, month <int>, year <int>, taxonKey <int>, speciesKey <int>, basisOfRecord <chr>, …
9.2 Modélisation de la niche climatique
9.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 14278, 0 (geometries, attributes)
extent : -9.425129, 46.58613, 30.741913, 63.434 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= ceau Data Formating -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
! Response variable is considered as only presences... Is it really what you want?
! No data has been set aside for modeling evaluation
!!! Some data are located in the same raster cell.
Please set `filter.raster = TRUE` if you want an automatic filtering.
Checking Pseudo-absence selection arguments...
> random pseudo absences selection
> Pseudo absences are selected in explanatory variables
! Some NAs have been automatically removed from your data
!!! Some data are located in the same raster cell.
Please set `filter.raster = TRUE` if you want an automatic filtering.
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.formated.data -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
dir.name = Output
sp.name = ceau
14254 presences, 0 true absences and 42133 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart
Min. : 2.56400 Min. :-21.911999 Min. :-9.458667 Min. : 204.5598 Min. : 3.0000
1st Qu.:20.94000 1st Qu.: -8.672000 1st Qu.:10.080333 1st Qu.: 620.0851 1st Qu.: 174.0000
Median :26.36000 Median : -1.344000 Median :13.067333 Median : 734.7968 Median : 219.0000
Mean :26.08177 Mean : -3.355934 Mean :12.654309 Mean : 756.4822 Mean : 221.3955
3rd Qu.:29.66000 3rd Qu.: 2.276000 3rd Qu.:15.994000 3rd Qu.: 895.0514 3rd Qu.: 263.0000
Max. :45.85600 Max. : 11.052000 Max. :24.850666 Max. :1387.0811 Max. :1218.0000
prec_season
Min. : 5.772662
1st Qu.: 26.123854
Median : 33.119778
Mean : 38.151082
3rd Qu.: 43.158848
Max. :122.663696
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 9.5: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
$data.vect
class : SpatVector
geometry : points
dimensions : 99850, 2 (geometries, attributes)
extent : -10.47916667, 46.97916667, 29.02083333, 70.97916667 (xmin, xmax, ymin, ymax)
coord. ref. :
names : resp dataset
type : <num> <chr>
values : 10 Initial dataset
10 Initial dataset
10 Initial dataset
$data.label
9 10 11
"**Presences**" "Presences (calibration)" "Presences (validation)"
12 19 20
"Presences (evaluation)" "**True Absences**" "True Absences (calibration)"
21 22 29
"True Absences (validation)" "True Absences (evaluation)" "**Pseudo-Absences**"
30 31 1
"Pseudo-Absences (calibration)" "Pseudo-Absences (validation)" "Background"
$data.plot
Figure 9.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
9.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for ceau_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for ceau_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for ceau_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= ceau Modeling Summary -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
6 environmental variables ( temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season )
Number of evaluation repetitions : 1
Models selected : GAM MARS MAXNET GBM ANN RF
Total number of model runs: 18
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
-=-=-=- Run : ceau_PA1
-=-=-=--=-=-=- ceau_PA1_RUN1
-=-=-=- Run : ceau_PA2
-=-=-=--=-=-=- ceau_PA2_RUN1
-=-=-=- Run : ceau_PA3
-=-=-=--=-=-=- ceau_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=9.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity specificity calibration
1 ceau_PA1_RUN1_GAM PA1 RUN1 GAM TSS 778.0 96.562 66.328 0.629
2 ceau_PA1_RUN1_GAM PA1 RUN1 GAM ROC 783.5 96.518 66.424 0.794
3 ceau_PA1_RUN1_MARS PA1 RUN1 MARS TSS 383.0 96.264 87.507 0.838
4 ceau_PA1_RUN1_MARS PA1 RUN1 MARS ROC 391.5 96.255 87.673 0.971
5 ceau_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 383.0 94.168 91.586 0.858
6 ceau_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 375.5 94.633 91.184 0.974
validation evaluation
1 0.631 NA
2 0.800 NA
3 0.839 NA
4 0.971 NA
5 0.854 NA
6 0.973 NA
Figure 9.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
9.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 ceau_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.547652
2 ceau_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.060538
3 ceau_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.006294
4 ceau_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.278315
5 ceau_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.012819
6 ceau_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.033658
Figure 9.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 9.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
9.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : ceau
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
models computed:
ceau_EMcvByTSS_mergedData_mergedRun_mergedAlgo, ceau_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=9.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run merged.by.algo
1 ceau_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo
2 ceau_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo
filtered.by algo metric.eval cutoff sensitivity specificity calibration validation evaluation
1 TSS EMwmean TSS 537.0 95.812 94.456 0.903 NA NA
2 TSS EMwmean ROC 542.5 95.706 94.608 0.991 NA NA
Figure 9.11: Évaluation de la qualité du modèle d’ensemble : Aire sous la courbe de ROC & True Skill Statistic.
full.name merged.by.PA merged.by.run merged.by.algo filtered.by
1 ceau_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
2 ceau_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
3 ceau_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
4 ceau_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
5 ceau_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
6 ceau_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
algo expl.var rand var.imp
1 EMcv temp_max_august 1 0.271157
2 EMcv temp_min 1 0.396416
3 EMcv temp_wet_quart 1 0.042072
4 EMcv temp_season 1 0.089010
5 EMcv prec_wet_quart 1 0.143124
6 EMcv prec_season 1 0.047508Par variable :
Figure 9.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 9.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
9.3 Projections
9.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/ceau/current
sp.name : ceau
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/ceau/ceau.AllModels.models.out )
models.projected :
ceau_PA1_RUN1_GAM, ceau_PA1_RUN1_MARS, ceau_PA1_RUN1_MAXNET, ceau_PA1_RUN1_GBM, ceau_PA1_RUN1_ANN, ceau_PA1_RUN1_RF, ceau_PA2_RUN1_GAM, ceau_PA2_RUN1_MARS, ceau_PA2_RUN1_MAXNET, ceau_PA2_RUN1_GBM, ceau_PA2_RUN1_ANN, ceau_PA2_RUN1_RF, ceau_PA3_RUN1_GAM, ceau_PA3_RUN1_MARS, ceau_PA3_RUN1_MAXNET, ceau_PA3_RUN1_GBM, ceau_PA3_RUN1_ANN, ceau_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 9.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 9.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/ceau/current
sp.name : ceau
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/ceau/ceau.AllModels.ensemble.models.out )
models.projected :
ceau_EMcvByTSS_mergedData_mergedRun_mergedAlgo, ceau_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 9.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
9.3.2 Interpolation à l’échelle de la métropole
- → conditions climatiques favorables à fine échelle
On projette la niche climatique sur ce raster à fine échelle.
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/ceau/cont_gre
sp.name : ceau
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/ceau/ceau.AllModels.models.out )
models.projected :
ceau_PA1_RUN1_GAM, ceau_PA1_RUN1_MARS, ceau_PA1_RUN1_MAXNET, ceau_PA1_RUN1_GBM, ceau_PA1_RUN1_ANN, ceau_PA1_RUN1_RF, ceau_PA2_RUN1_GAM, ceau_PA2_RUN1_MARS, ceau_PA2_RUN1_MAXNET, ceau_PA2_RUN1_GBM, ceau_PA2_RUN1_ANN, ceau_PA2_RUN1_RF, ceau_PA3_RUN1_GAM, ceau_PA3_RUN1_MARS, ceau_PA3_RUN1_MAXNET, ceau_PA3_RUN1_GBM, ceau_PA3_RUN1_ANN, ceau_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 9.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 9.18: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/ceau/cont_gre
sp.name : ceau
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/ceau/ceau.AllModels.ensemble.models.out )
models.projected :
ceau_EMcvByTSS_mergedData_mergedRun_mergedAlgo, ceau_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 9.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
9.3.3 Distributions potentielles futures
Futur : Projection à l’échelle de l’Europe jusqu’à l’horizon 2100
Toutes les fenêtres temporelles × scénarios pour le GCM « IPSL-CM6A-LR »
- SSP1-2.6
Figure 9.20: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP1-2.6 (modèle d’ensemble).
On obtient pour la métrique TSS une carte unique de moyenne pondérée sur les algorithmes et sur les jeux de pseudo-absences.
- SSP2-4.5
Figure 9.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 9.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 9.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
9.4 Inférence à l’échelle de la métropole
- Croisement avec températures de surface 2019 (fournie par la métropole)
- → conditions climatiques favorables à fine échelle
- à peu près 7 pixels × 9 (WorldClim)
9.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 9.24: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
- SSP2-4.5
Figure 9.25: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
- SSP3-7.0
Figure 9.26: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
- SSP5-8.5
Figure 9.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
9.4.2 Évolution temporelle
# A tibble: 17 × 8
min q1 median mean q3 max ssp year
<table[1d]> <table[1d]> <table[1d]> <table[1d]> <table[1d]> <tab> <fct> <dbl>
1 24 137 308 398.6799 689 856 0 2000
2 55 518 676 620.8169 772 853 126 2040
3 72 583 694 649.6133 783 853 126 2060
4 77 618 719 684.4320 802 857 126 2080
5 83 596 696 655.2059 784 848 126 2100
6 65 603 699 664.9433 779 853 245 2040
7 125 619 715 685.2473 799 845 245 2060
8 239 654 764 728.9661 809 848 245 2080
9 208 627 768 709.9537 806 846 245 2100
10 50 512 671 615.3425 767 851 370 2040
11 129 623 713 684.4420 793 847 370 2060
12 266 626 780 712.7633 803 843 370 2080
13 297 568 672 661.5615 781 815 370 2100
14 58 565 691 644.6690 785 854 585 2040
15 185 647 748 716.3386 801 846 585 2060
16 301 586 705 687.4424 800 835 585 2080
17 262 467 565 550.4617 631 812 585 2100
Figure 9.28: Évolution de la favorabilité climatique au cours du XXIème siècle. Le point représente la médiane sur l’étendue de la métropole (i.e. tous les pixels de la carte) ; le trait gras représente 50 % des données intermédiaires (espace inter-quartile) ; le trait fin représente le reste des données du minimum au maximum.